กลับมาพบกับ Mandala analytics กันอีกเช่นเคยกับความรู้เรื่องเทคโนโลยีที่คุณอาจไม่เคยรู้จากที่ไหนมาก่อน วันนี้จะขอพูดถึง Data Analytics กับการวิเคราะห์เชิงลึก สถิติ และการวิเคราะห์ โดยเป็นกระบวนการวิเคราะห์ข้อมูลที่มีปริมาณมาก เพื่อให้ได้มาซึ่งข้อมูลที่สำคัญและนำไปใช้ประโยชน์ในลำดับต่อไป แต่ก่อนจะเข้าไปสู่เนื้อสาระสำคัญในการวิเคราะห์ Data Analytics เราไปความเข้าใจกันก่อนดีกว่าว่า Big data คืออะไร และมีที่มาที่ไปอย่างไร Show ย้อนเวลากลับไปตั้งแต่ปี ค.ศ. 1997 นักวิทยาศาสตร์ท่านหนึ่งที่ทำงานอยู่ในองค์กรนาซ่า ได้กล่าวถึงปัญหาของการจัดเก็บข้อมูลที่มีจำนวนมากมายมหาศาลเกินหน่วยความจำของคอมพิวเตอร์ หรือเรียกอีกอย่างหนึ่งว่า Big data โดยข้อมูลที่ว่านี้มีความซับซ้อน และมีจำนวนมากเกินขอบเขตที่กำหนด โดยคุณสมบัติของ Big data คือ เป็นข้อมูลที่มีขนาดใหญ่ ข้อมูลมีการเปลี่ยนแปลงอย่างรวดเร็ว และมีโครงสร้างหลายรูปแบบ ต่อมาได้มีการพัฒนาเทคโนโลยีใหม่ๆ ขึ้นมาเพื่อจัดเก็บข้อมูล Big data ไม่ว่าจะเป็นคอมพิวเตอร์ที่มีประสิทธิภาพ Storage /Information Data Center หรือฝากไว้กับผู้ให้บริการ Cloud ต่างๆ เช่น DropBox/ SkyDrive/ Google Drive/ Box.Net เป็นต้น
หน้าที่ของ Data Analyst -Reporting : วิเคราะห์ข้อมูล เพื่อทำรายงานเสนอผู้แก่บริหาร ช่วยให้มองเห็นภาพที่ชัดเจนมากยิ่งขึ้น และนำข้อมูลเหล่านั้นไปใช้ประโยชน์ในลำดับต่อไป -Data Entry : การแปลงข้อมูลให้อยู่ในรูปแบบที่ถูกต้อง และพร้อมนำไปใช้งาน -Data Mining/Analytic : การวิเคราะห์ข้อมูล โดยการมองหาความสัมพันธ์ของข้อมูล เพื่อนำไปใช้ประโยชน์ต่อไป -Support : ช่วยสนับสนุนข้อมูลที่สำคัญ เพื่อให้สามารถนำข้อมูลเหล่านั้นไปใช้งานต่อได้ในแผนกหรือหน่วยงานอื่นๆ เช่น การบริหารจัดการลูกค้าสัมพันธ์ (CRM) และ ระบบบริหารจัดการข้อมูล (SAP) เป็นต้น -Data Management : การจัดเรียงข้อมูลซับซ้อนทั้งหมด เพื่อแยกประเภท หมวดหมู่ ช่วยให้สามารถดึงข้อมูลออกมาใช้งานได้ง่ายมากยิ่งขึ้น ในปัจจุบันอาจไม่จำเป็นต้องวิเคราะห์ข้อมูลเชิงสถิติให้ยุ่งยาก เพื่อให้ได้มาซึ่งข้อมูลที่สำคัญ เมื่อเปรียบเทียบกับสมัยก่อนที่ต้องมานั่งพล็อตกราฟ และทำความเข้าใจเรื่องการอ่านค่าทางสถิติ ไหนจะต้องมานั่งท่องจำสูตรกว่าจะตีความหมายและได้ใจความเนื้อหาสาระสำคัญคงไม่ทันการ ยิ่งสำหรับธุรกิจ ยิ่งต้องตอบสนองการทำงานอย่างทันท่วงที เพราะหากช้าแม้แต่วินาทีเดียว คู่แข่งก็อาจวิ่งแซงหน้าเราไปได้ แต่ในสมัยนี้เทคโนโลยีทุกอย่างล้วนแล้วแต่ถูกสร้างขึ้นมาเพื่ออำนวยความสะดวกสบายให้เรา หนึ่งในนั้นก็คือ การใช้ AI (Artificial Intelligence) เข้ามาช่วยวิเคราะห์ โดยสรุปผลออกมาในรูปแบบของ Data visualization รวม Chart ทุกรูปแบบไม่ว่าจะเป็นแผนภูมิรูปภาพ หรือกราฟต่างๆ เพื่อให้สามารถเข้าใจและมองภาพข้อมูลเหล่านั้นได้ชัดเจนมากยิ่งขึ้น โดยสามารถแบ่งรูปแบบการวิเคราะห์ข้อมูลได้ ดังนี้ การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive analytics) : เป็นการวิเคราะห์ผลลัพธ์จากการกระทำต่างๆ ยกตัวอย่างเช่น ปัจจัยที่มีผลต่อพฤติกรรมการตัดสินใจของลูกค้า การรายงานการขาย หรือรายงานผลการดำเนินการ เป็นต้น การวิเคราะห์แบบพยากรณ์ (Predictive analytics) : เป็นการวิเคราะห์โดยนำข้อมูลที่เคยเกิดขึ้นแล้วในอดีตมาพยากรณ์ ทำนายในสิ่งที่กำลังจะเกิดขึ้นในอนาคต ด้วยแบบจำลองทางสถิติ หรือการใช้ AI เทคโนโลยีปัญญาประดิษฐ์มาช่วยในการวิเคราะห์ข้อมูลใน Big data ที่มีจำนวนมากมหาศาล การวิเคราะห์แบบเชิงวินิจฉัย (Diagnostic analytics) : เป็นการวิเคราะห์เพื่อใช้อธิบายถึงสาเหตุของสิ่งที่เกิดขึ้น หาความสัมพันธ์ของตัวแปรต่างๆ ยกตัวอย่างเช่น วิเคราะห์ความสัมพันธ์ระหว่างยอดขายต่อกิจกรรมส่งเสริมด้านการตลาด ว่ามีนัยสำคัญที่ทำให้ยอดขายเพิ่มขึ้นหรือลดลงหรือไม่ เป็นต้น การวิเคราะห์แบบให้คำแนะนำ (Prescriptive analytics) : การวิเคราะห์ในลักษณะนี้ค่อนข้างมีความซับซ้อนมากที่สุด เพราะเป็นการพยากรณ์สิ่งที่กำลังจะเกิดขึ้นเพื่อหาสาเหตุ ข้อดี ข้อเสีย และมีเรื่องของระยะเวลาเข้ามาเกี่ยวข้อง เพื่อให้คำแนะนำหรือเลือกผลลัพธ์ที่ดีที่สุด อีกทั้งยังวิเคราะห์ได้ว่าในการเลือกแต่ละแนวทาง จะให้ผลลัพธ์เป็นไปในทิศทางใดบ้าง
โดย Analytics Maturity เป็นการวิเคราะห์ในรูปแบบของการให้คำแนะนำ (Prescriptive analytics) ซึ่งจะบอกสาเหตุ และวิธีการว่าควรทำอะไรในลำดับต่อไป เพื่อใช้ในการวางแผนรับมือกับปัญหาที่เกิดขึ้น เรียกว่า Integration of Business Actions and Problem to Data Patterns ซึ่งเป็นการคาดการณ์สิ่งที่จะเกิดขึ้น ทั้งในทางบวกและทางลบ หากเป็นไปในทิศทางบวก จะทำให้สามารถวางแผนเพื่อรับมือได้ หรือหากเป็นไปในทิศทางลบก็จะได้หาแนวทางป้องกันหรือแก้ไขต่อไป เพื่อให้เกิดความเสียหายน้อยที่สุด โดยการวิเคราะห์ในลักษณะนี้จะช่วยเพิ่มมูลค่าให้กับธุรกิจ (Business Value) หากสามารถนำไปประยุกต์ใช้ได้อย่างมีประสิทธิภาพ ในปัจจุบันจะเห็นได้ว่าพฤติกรรมการเข้าใช้งานโลกออนไลน์เพิ่มมากขึ้นเรื่อยๆ ในแต่ละปี Big data ที่จัดเก็บพฤติกรรมต่างๆ หากสามารถนำข้อมูลเหล่านี้มาวิเคราะห์เพื่อหาความสัมพันธ์หรือเชื่อมโยงความเป็นเหตุเป็นผลซึ่งกันและกันได้นั้น จะช่วยให้สามารถปรับปรุงการดำเนินธุรกิจ วางแผนด้านการตลาด เพื่อให้ได้เปรียบคู่แข่ง หรือสร้างโอกาสทางธุรกิจได้เพิ่มมากยิ่งขึ้น Diagnostic Analytics คืออะไรดำาเนินงาน • การวิเคราะห์แบบเชิงวินิจฉัย (Diagnostic. analytics) เป็นการอธิบายถึงสาเหตุของสิ่งที่ เกิดขึ้น ปัจจัยต่างๆ และความสัมพันธ์ของ ปัจจัยหรือตัวแปรต่างๆ ที่มีความสัมพันธ์ต่อกัน ของสิ่งที่เกิดขึ้น ตัวอย่างเช่นความสัมพันธ์ ระหว่างยอดขายต่อกิจกรรมทางการตลาด แต่ละประเภท ซึ่งเป็นก้าวใหม่ที่ช่วยเสริมให้
Predictive Analytics มีอะไรบ้างPredictive analytics คือ การทำนายสิ่งที่จะเกิดขึ้นในอนาคต โดยใช้ข้อมูลที่รวบรวมมาแล้วนำมาสร้างแบบจำลองทางสถิติ หรือเทคโนโลยีปัญญาประดิษฐ์ (AI) เช่น พยากรณ์ยอดขาย การพยากรณ์ผลประชามติ เป็นต้น
ข้อใดเป็นการวิเคราะห์ข้อมูลแบบ Diagnostic AnalyticsDiagnostic Analytics คือการวิเคราะห์เชิงวินิจฉัย ซึ่งเป็นรูปแบบหนึ่งของการวิเคราะห์ขั้นสูงแบบเจาะลึก โดยการวิเคราะห์ข้อมูลที่ได้จากการทำ Descriptive Analytics เพื่อหาคำตอบว่าทำไมจึงเกิดสิ่งนั้น ๆ หรืออธิบายปัจจัยและตัวแปรที่เป็นสาเหตุของการเกิดสิ่งนั้น ๆ ขึ้น ซึ่งจะต้องอาศัยเทคนิคต่าง ๆ เข้ามาช่วย เช่น การทำ Data ...
ข้อใดเป็นรูปแบบการวิเคราะห์ข้อมูลแบบ Predictiveการวิเคราะห์แบบพยากรณ์ (Predictive analytics) เป็นการวิเคราะห์เพื่อพยากรณ์สิ่งที่กำลังจะเกิดขึ้นหรือน่าจะเกิดขึ้น โดยใช้ข้อมูลที่ได้เกิดขึ้นแล้วกับแบบจำลองทางสถิติ หรือ เทคโนโลยีปัญญาประดิษฐ์ต่างๆ (Artificial intelligence) ตัวอย่างเช่น การพยากรณ์ยอดขาย การพยากรณ์ผลประชามติ
|